虎牙面试：说一下项目具体操作信号处理滤波方法了解了解质量评价的分类（有参无参）具有平移、旋转、尺度缩放不变性的传统图像特征图像的hu矩是一种具有平移、旋转和尺度不变性的图像特征。SIFT具有旋转、尺度不变性。LBP特征旋转不变性和灰度不变性。ORB特征具有旋转不变性。Faster RCNN与Fast RCNN的区别，Faster RCNN具体原理YOLO与SSD原理对于小目标检测有什么了解与方法FPN、DSSD、DenSenet、RON算法等等正则化L1,L2区别，适用于什么不同的场景某些功能之间是否存在共线性？在这种情况下，L2正则化可以提高预测质量，正如其替代名称“岭回归”所暗示的那样。然而，一般来说，任何形式的正则化都将改善样本外的预测，无论是否存在多重共线性以及是否存在不相关的特征，仅仅因为正则化估计器的收缩特性。L1正则化无助于多重共线性; 它只会选择与结果具有最大相关性的特征。L1正则化无助于多重共线性。L2正则化无法帮助进行特征选择深度学习的模型压缩与优化加速有了解吗https://blog.csdn.net/nature553863/article/details/81083955图像分割目标识别的了解模型优化过程（数据，学习速率，优化器，层的设计）分布式系统了解对操作系统和数据结构了解，项目中用了哪些数据结构。Adaboost与随机森林原理与区别，适用于什么不同的场景RF：适合处理多分类问题及类别不平衡的分类问题、对缺失值异常值不敏感、能够有效地处理大的数据集和高维数据集、无须进行特征选择有袋外数据OOB、不用再单独划分交叉验证集、能够给出特征重要性程度、不容易过拟合容易并行化，训练和预测速度快。Adaboost：对异常值更敏感。Adaboost是一种有很高精度的分类器。可以使用各种方法构建子分类器，Adaboost算法提供的是框架。当使用简单分类器时，计算出的结果是可以理解的，并且弱分类器的构造极其简单。简单，不用做特征筛选。不容易发生overfitting。开放题：对于整个视频，想要分割出质量好的序列与质量差的序列，有什么想法。开放题：对于一张图像，想要提取质量好与质量差的区域，有什么想法。自己职业规划，地点，实习时长